CN105261148A - 一种基于天网监控系统的踩踏事件预警疏散方法 - Google Patents
一种基于天网监控系统的踩踏事件预警疏散方法 Download PDFInfo
- Publication number
- CN105261148A CN105261148A CN201510659952.9A CN201510659952A CN105261148A CN 105261148 A CN105261148 A CN 105261148A CN 201510659952 A CN201510659952 A CN 201510659952A CN 105261148 A CN105261148 A CN 105261148A
- Authority
- CN
- China
- Prior art keywords
- evacuation
- early warning
- tread event
- supervisory system
- distribution trend
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于天网监控系统的踩踏事件预警疏散方法,该方法属于数据处理研究领域,可应用于踩踏事件预警疏散。其包括步骤:构建踩踏事件专家知识库;构建基于ELM的分类器;采集人群分布数据;提取人群分布特征;预测下个时段的人群分布特征;将上述下个时段的人群分布特征输入到所述分类器进行模式识别,输出下个时段人群发生踩踏事件的危险性;构建疏散预案的先验库;将所述预测的下个时段的人群分布特征与先验库中的人群分布特征进行相似性比对;输出最匹配的疏散预案;对疏散预案进行仿真优化;输出最优疏散预案。本发明具有监测准确、时效性高的优点,且能够快速输出行之有效的疏散预案,具有重要的应用价值。
Description
技术领域
本发明涉及数据处理中模式识别研究领域,特别涉及一种基于天网监控系统的踩踏事件预警疏散方法。
背景技术
随着城市化进程的迅速推进,公共场所(火车站、地铁、酒吧、学校)人口密集程度呈指数级飞跃,大规模的人群聚集很容易导致人群踩踏等事故。人群踩踏是指大量人流在相对拥挤空间活动时,由于某种原因发生不可控制的秩序混乱,导致人群拥挤踩踏,造成大量人员伤亡的灾难事件。目前该类事故的规模及其破坏程度愈来愈大,对社会造成极其恶劣的影响,已成为全世界关注的热点问题。
目前研究人员提出采用人群监测和模式识别技术来避免上述人群踩踏事故的发生。其中人群监测技术能实现对人群进行定量的科学管理。主要包括人员的运动速度、密度和人员流量,人群的突然散开、突然聚集和滞留等。现有的监测技术主要有人工统计、机械统计、电子计数、射频识别技术、手机信号扫描计数及最新发展的智能图像监测识别技术等。模式识别(PatternRecognition),是研究如何通过计算机技术进行模式的判别处理。模式识别的基本框架主要包括:数据预处理、特征选择与提取、分类器设计及分类结果。
但目前使用的监测系统布局不够全面,得到的监测数据准确性不太高,真实性和时效性上尚有欠缺,且采用的识别算法也具有算法复杂、时效性差的缺点,且不能对事故进行预警,更无法对外输出相应的疏散预案,因此已不能满足相应场合的需求。
天网监控系统是公安机关打击街面犯罪的一项法宝,是城市治安的坚强后盾,其实质是利用设置在大街小巷的大量摄像头组成的监控网络。现在各大城市基本上都在运行此套系统。“天网监控系统”是“科技强警”的标志性工程。公安机关通过天网监控系统中的监控平台,可以对城市各街道辖区的主要道路、重点单位、热点部位进行24小时监控,可有效消除治安隐患,使发现、抓捕街面现行犯罪的水平得到提高。
因此,如果可以基于现有的天网监控系统,根据该系统监测的数据来进行特征提取,进而实现踩踏事件预警疏散,则具有重要的应用价值。
发明内容
本发明为了克服以上现有技术存在的不足,提供了一种基于天网监控系统的踩踏事件预警疏散方法,其具有监测准确、时效性高的优点,且能够快速输出行之有效的疏散预案,具有重要的实用价值。
本发明的目的通过以下的技术方案实现:一种基于天网监控系统的踩踏事件预警疏散方法,包括步骤:
构建踩踏事件专家知识库;
构建基于ELM训练判读发生踩踏事件危险性的分类器;
根据监测区域安装的摄像头采集人群分布数据;
根据人群分布数据提取人群分布特征;
预测下个时段的人群分布特征;
将上述下个时段的人群分布特征输入到所述分类器进行模式识别,输出下个时段人群发生踩踏事件的危险性。
更进一步的,所述方法还包括疏散步骤,具体为:
基于当地所有可行的疏散方案聚类,构建疏散预案的先验库;
将所述预测的下个时段的人群分布特征与先验库中的人群分布特征进行相似性比对;
输出最匹配的疏散预案。
更进一步的,为了得到最优解,缩小搜索空间,大幅度降低仿真时间,所述疏散步骤中在得到最匹配的疏散预案后还进行下面步骤:
将最匹配的疏散预案输入到仿真模型进行仿真优化;
输出最终得到的最优疏散预案。
优选的,所述构建踩踏事件专家知识库的方法是:
采集研究区域近期的人群分布数据;
研究该地区各种典型的人群分布类型,经计算机技术分级及专家评定,为每个典型分布类型确定发生踩踏事件的危险性标签,危险性标签分为危险、严重、有风险三种,将分布类型与相应标签匹配构成踩踏事件专家知识库。
优选的,所述构建基于ELM训练判读发生踩踏事件危险性的分类器的方法是:
确定隐层节点数、激励函数G(x),汇总专家知识库中描述图像内人群分布的特征向量到表X,汇总专家知识库内各特征向量对应的标签到向量T;
随机产生输入权值矩阵W、偏移标量矩阵B,计算XW+B并输入激励函数计算G(XW+B),输出隐层输出矩阵H;
判断输出矩阵是否可逆,若可逆,根据线性代数理论求逆H-1,否则根据SVD理论求广义逆H?;计算输出权值向量β=H-1T(β=H?T);
根据上述确定的参数,构建分类器。
极限学习机(ELM)为主要用于解决一般的单隐层前馈神经网络(SLFNs)的算法。ELM最大的特点是隐层参数独立于训练集、目标函数。所以,采用该方法能够避免耗时的迭代过程,大幅度降低训练时间,更能适应处理海量数据的效率要求。
优选的,所述人群分布数据基于天网监控系统来采集,具体是:
对研究区域进行网格化划分,构建一天网视频网络;
采集天网视频网络中多角度的视频连续图像。
通过基于天网视频网络,可以构建多角度的视角进而确定人群的空间分布,通过对多幅图像的分析能保证后续特征提取的特征能够准确反映人群信息。
优选的,所述提取人群分布特征的方法是:
图像灰度值正则化处理,以突出图像的特征;
采用基于图像特征相似度量进行配准;
采用基于分水岭算法进行图像分割,用于识别人群规模、密集程度及人群中心位置等特征;
将提取的特征共同组成特征向量。
优选的,所述下个时段的人群分布特征基于时序分析模型得到。
优选的,所述构建疏散预案的先验库的方法是:
基于当地所有可行的疏散方案聚类获得K个疏散方案类,每个类内综合一个典型的疏散方案和一个人群分布特征向量,得到K个典型疏散方案,K个人群分布特征向量;所述典型疏散方案与相应人群分布特征向量匹配构成疏散预案先验库。
本发明相对于现有技术具有如下的优点和有益效果:
1、本发明方法利用现有的天网监控系统采集数据,基于这些数据分析人群分布特征,构建专家知识库并基于ELM训练分类器,事先建立预案先验库,从先验库抽取预案作为初始预案进行优化,在保证数据能够真实反映监察人群情况的前提下,在预警疏散各个环节可采用高效的方法节约时间,进而大幅度提高整体的效率。
2、本发明天网监控系统采集的数据能够真实记录人群变化,同时人群总体行为具有高度重复性,所以采用上述数据进行人群特征分析具有明显的真实性及时效性。
3、本发明采用基于ELM训练分类器,ELM最大的特点是隐层参数独立于训练集、目标函数。所以,能够避免耗时的迭代过程,大幅度降低训练时间,更能适应处理海量数据的效率要求。
4、本发明方法中,事先建立预案先验库,从先验库抽取预案作为初始预案,然后进行优化,大大缩小了仿真过程的搜索空间,加速仿真过程。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
如图1所示,本实施例一种基于天网监控系统的踩踏事件预警疏散方法,包括步骤:
步骤1:以预定的规格对研究区域进行网格化,构建一天网视频网络。示例性的,所述预定的规格可以为1KM*1KM。
步骤2:数据采集。基于天网视频网络实时采集多角度视频连续图像,多角度视角能够确定人群的空间分布,多幅图像的分析能保证后续特征提取的特征能够准确反映人群信息。
步骤3:特征提取。所有图像进行灰度值正则化处理,突出图像的特征;然后基于图像特征相似度量进行配准,然后基于分水岭算法进行图像分割,识别人群规模、密集程度及人群中心位置等特征;最后将提取的特征共同组成特征向量。
步骤4:构建踩踏事件的专家知识库。采集研究区域近期的人群分布数据,研究该地区各种典型的人群分布类型,经计算机技术分级及专家评定,为每个典型分布类型确定发生踩踏事件的危险性标签(危险、严重、有风险),分布类型与相应标签匹配构成踩踏事件专家知识库。
步骤5:基于ELM的机器学习,即构建基于ELM训练判读发生踩踏事件危险性的分类器。其步骤是:
确定隐层节点数、激励函数G(x),汇总专家知识库中描述图像内人群分布的特征向量到表X,汇总专家知识库内各特征向量对应的标签到向量T;
随机产生输入权值矩阵W、偏移标量矩阵B,计算XW+B并输入激励函数计算G(XW+B)输出隐层输出矩阵H;
判断输出矩阵是否可逆,若可逆,根据线性代数理论求逆H-1,否则根据SVD理论求广义逆H?;计算输出权值向量β=H-1T(β=H?T)。
步骤6:根据基于ELM的机器学习环节确定的参数,构建能够判读发生踩踏事件危险性的分类器。
步骤7:根据当前得到的人群特征向量,基于时序分析模型预测下个时段的人群特征向量。
步骤8:将下个时段的人群特征向量输入到分类器进行模式识别,输出下个时段发生踩踏事件的危险性。
同时,本实施例还包括疏散步骤,即:
步骤9:构建疏散预案先验库。基于当地所有可行的疏散方案聚类,获得K个疏散方案类,每个疏散方案类内综合一个典型的疏散方案和一个人群分布特征向量,共有K个典型疏散方案,K个人群分布特征向量。将典型疏散方案与相应人群分布特征向量匹配构成疏散预案先验库。
步骤10:将所述预测的下个时段的人群分布特征向量与先验库内的K个人群分布特征向量进行相似性比对,输出最匹配的疏散预案,将最匹配的疏散预案输入到仿真模型进行仿真优化;输出最终得到的最优疏散预案。
上述具体实施方式为本发明的优选实施例,并不能对本发明的权利要求进行限定,其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种基于天网监控系统的踩踏事件预警疏散方法,其特征在于,包括步骤:
构建踩踏事件专家知识库;
构建基于ELM训练判读发生踩踏事件危险性的分类器;
根据监测区域安装的摄像头采集人群分布数据;
根据人群分布数据提取人群分布特征;
预测下个时段的人群分布特征;
将上述下个时段的人群分布特征输入到所述分类器进行模式识别,输出下个时段人群发生踩踏事件的危险性。
2.根据权利要求1所述的基于天网监控系统的踩踏事件预警疏散方法,其特征在于,所述方法还包括疏散步骤,具体为:
基于当地所有可行的疏散方案聚类,构建疏散预案的先验库;
将所述预测的下个时段的人群分布特征与先验库中的人群分布特征进行相似性比对;
输出最匹配的疏散预案。
3.根据权利要求2所述的基于天网监控系统的踩踏事件预警疏散方法,其特征在于,所述疏散步骤中在得到最匹配的疏散预案后还进行下面步骤:
将最匹配的疏散预案输入到仿真模型进行仿真优化;
输出最终得到的最优疏散预案。
4.根据权利要求1所述的基于天网监控系统的踩踏事件预警疏散方法,其特征在于,所述构建踩踏事件专家知识库的方法是:
采集研究区域近期的人群分布数据;
研究该地区各种典型的人群分布类型,经计算机技术分级及专家评定,为每个典型分布类型确定发生踩踏事件的危险性标签,危险性标签分为危险、严重、有风险三种,将分布类型与相应标签匹配构成踩踏事件专家知识库。
5.根据权利要求1所述的基于天网监控系统的踩踏事件预警疏散方法,其特征在于,所述构建基于ELM训练判读发生踩踏事件危险性的分类器的方法是:
确定隐层节点数、激励函数G(x),汇总专家知识库中描述图像内人群分布的特征向量到表X,汇总专家知识库内各特征向量对应的标签到向量T;
随机产生输入权值矩阵W、偏移标量矩阵B,计算XW+B并输入激励函数计算G(XW+B),输出隐层输出矩阵H;
判断输出矩阵是否可逆,若可逆,根据线性代数理论求逆H-1,否则根据SVD理论求广义逆H?;计算输出权值向量β=H-1T(β=H?T);
根据上述确定的参数,构建分类器。
6.根据权利要求1所述的基于天网监控系统的踩踏事件预警疏散方法,其特征在于,所述人群分布数据基于天网监控系统来采集,具体是:
对研究区域进行网格化划分,构建一天网视频网络;
采集天网视频网络中多角度的视频连续图像。
7.根据权利要求1所述的基于天网监控系统的踩踏事件预警疏散方法,其特征在于,所述提取人群分布特征的方法是:
图像灰度值正则化处理;
采用基于图像特征相似度量进行配准;
采用基于分水岭算法进行图像分割,用于识别人群规模、密集程度及人群中心位置等特征;
将提取的特征共同组成特征向量。
8.根据权利要求1所述的基于天网监控系统的踩踏事件预警疏散方法,其特征在于,所述下个时段的人群分布特征基于时序分析模型得到。
9.根据权利要求1所述的基于天网监控系统的踩踏事件预警疏散方法,其特征在于,所述构建疏散预案的先验库的方法是:
基于当地所有可行的疏散方案聚类获得K个疏散方案类,每个类内综合一个典型的疏散方案和一个人群分布特征向量,得到K个典型疏散方案,K个人群分布特征向量;所述典型疏散方案与相应人群分布特征向量匹配构成疏散预案先验库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510659952.9A CN105261148A (zh) | 2015-10-14 | 2015-10-14 | 一种基于天网监控系统的踩踏事件预警疏散方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510659952.9A CN105261148A (zh) | 2015-10-14 | 2015-10-14 | 一种基于天网监控系统的踩踏事件预警疏散方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105261148A true CN105261148A (zh) | 2016-01-20 |
Family
ID=55100816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510659952.9A Pending CN105261148A (zh) | 2015-10-14 | 2015-10-14 | 一种基于天网监控系统的踩踏事件预警疏散方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105261148A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096522A (zh) * | 2016-06-02 | 2016-11-09 | 苏州大学 | 一种基于网格划分的拥挤踩踏预警方法及装置 |
CN107247917A (zh) * | 2017-04-21 | 2017-10-13 | 东南大学 | 一种基于ELM与DSmT的飞机姿态识别方法 |
CN107264797A (zh) * | 2016-04-06 | 2017-10-20 | 成都积格科技有限公司 | 人群聚集预警无人机 |
CN110321916A (zh) * | 2018-03-30 | 2019-10-11 | 松下电器(美国)知识产权公司 | 学习数据制作方法、学习方法、危险预测方法及装置、程序存储介质 |
CN111062562A (zh) * | 2019-11-06 | 2020-04-24 | 航天信息股份有限公司 | 一种社区网格服务联动处置控制方法及系统 |
CN111539864A (zh) * | 2020-03-31 | 2020-08-14 | 中国刑事警察学院 | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 |
CN116167625A (zh) * | 2023-04-25 | 2023-05-26 | 湖南工商大学 | 一种基于深度学习的踩踏风险评估方法 |
CN117027923A (zh) * | 2023-10-08 | 2023-11-10 | 西南科技大学 | 基于循环神经网络的隧道智能疏散系统及应用方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751553A (zh) * | 2008-12-03 | 2010-06-23 | 中国科学院自动化研究所 | 一种大规模人群密度分析和预测方法 |
EP2273424A1 (en) * | 2009-07-08 | 2011-01-12 | Honeywell International Inc. | Automated target detection and recognition system and method |
CN102254401A (zh) * | 2011-05-11 | 2011-11-23 | 北京城市系统工程研究中心 | 一种客流运动智能分析方法 |
CN102567731A (zh) * | 2011-12-06 | 2012-07-11 | 北京航空航天大学 | 一种感兴趣区域提取方法 |
-
2015
- 2015-10-14 CN CN201510659952.9A patent/CN105261148A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751553A (zh) * | 2008-12-03 | 2010-06-23 | 中国科学院自动化研究所 | 一种大规模人群密度分析和预测方法 |
EP2273424A1 (en) * | 2009-07-08 | 2011-01-12 | Honeywell International Inc. | Automated target detection and recognition system and method |
CN102254401A (zh) * | 2011-05-11 | 2011-11-23 | 北京城市系统工程研究中心 | 一种客流运动智能分析方法 |
CN102567731A (zh) * | 2011-12-06 | 2012-07-11 | 北京航空航天大学 | 一种感兴趣区域提取方法 |
Non-Patent Citations (2)
Title |
---|
於琦: "基于人口动态分布和移动信息诱导的应急疏散预案仿真研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
王冉: "基于纹理分析的人群密度估计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107264797A (zh) * | 2016-04-06 | 2017-10-20 | 成都积格科技有限公司 | 人群聚集预警无人机 |
CN107264797B (zh) * | 2016-04-06 | 2019-12-17 | 成都积格科技有限公司 | 人群聚集预警无人机 |
CN106096522A (zh) * | 2016-06-02 | 2016-11-09 | 苏州大学 | 一种基于网格划分的拥挤踩踏预警方法及装置 |
CN107247917A (zh) * | 2017-04-21 | 2017-10-13 | 东南大学 | 一种基于ELM与DSmT的飞机姿态识别方法 |
CN110321916A (zh) * | 2018-03-30 | 2019-10-11 | 松下电器(美国)知识产权公司 | 学习数据制作方法、学习方法、危险预测方法及装置、程序存储介质 |
CN110321916B (zh) * | 2018-03-30 | 2024-04-09 | 松下电器(美国)知识产权公司 | 学习数据制作方法、学习方法、危险预测方法及装置、程序存储介质 |
CN111062562B (zh) * | 2019-11-06 | 2024-01-30 | 航天信息股份有限公司 | 一种社区网格服务联动处置控制方法及系统 |
CN111062562A (zh) * | 2019-11-06 | 2020-04-24 | 航天信息股份有限公司 | 一种社区网格服务联动处置控制方法及系统 |
CN111539864A (zh) * | 2020-03-31 | 2020-08-14 | 中国刑事警察学院 | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 |
CN111539864B (zh) * | 2020-03-31 | 2023-07-11 | 中国刑事警察学院 | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 |
CN116167625B (zh) * | 2023-04-25 | 2023-08-18 | 湖南工商大学 | 一种基于深度学习的踩踏风险评估方法 |
CN116167625A (zh) * | 2023-04-25 | 2023-05-26 | 湖南工商大学 | 一种基于深度学习的踩踏风险评估方法 |
CN117027923A (zh) * | 2023-10-08 | 2023-11-10 | 西南科技大学 | 基于循环神经网络的隧道智能疏散系统及应用方法 |
CN117027923B (zh) * | 2023-10-08 | 2023-12-12 | 西南科技大学 | 基于循环神经网络的隧道智能疏散系统及应用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105261148A (zh) | 一种基于天网监控系统的踩踏事件预警疏散方法 | |
Zhang et al. | Waste image classification based on transfer learning and convolutional neural network | |
CN101894276B (zh) | 人体动作识别的训练方法和识别方法 | |
CN102034212A (zh) | 一种基于视频分析的城市管理系统 | |
CN107728234B (zh) | 一种基于大气电场数据的雷电强度值预测方法 | |
CN112800913B (zh) | 一种基于多源特征融合的路面损伤数据时空分析方法 | |
Luo et al. | Learning high-level features by fusing multi-view representation of MLS point clouds for 3D object recognition in road environments | |
CN108921039A (zh) | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN116385689B (zh) | 一种场地污染数据的可视化信息管理方法、系统及介质 | |
CN108133172A (zh) | 视频中运动对象分类的方法、车流量的分析方法及装置 | |
CN104408745A (zh) | 一种基于视频图像的实时烟雾场景检测方法 | |
CN101916365A (zh) | 对考试作弊事件进行智能视频识别的方法 | |
CN108985360A (zh) | 基于扩展形态学与主动学习的高光谱分类方法 | |
CN110807924A (zh) | 基于全量全样实时交通数据的多参数融合方法及系统 | |
CN108182218B (zh) | 一种基于地理信息系统的视频人物识别方法、系统及电子设备 | |
CN110176143A (zh) | 一种基于深度学习算法的高速公路交通拥堵检测方法 | |
Sun et al. | Vehicle counting in crowded scenes with multi-channel and multi-task convolutional neural networks | |
CN106033548B (zh) | 基于改进字典学习的拥挤人群异常检测方法 | |
CN117437382B (zh) | 一种数据中心部件的更新方法及系统 | |
He et al. | ST-3DGMR: Spatio-temporal 3D grouped multiscale ResNet network for region-based urban traffic flow prediction | |
CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 | |
CN106355537A (zh) | 一种智能串并案分析方法及系统 | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
Liu et al. | Complex background classification network: a deep learning method for urban images classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160120 |